| 5 ECTS | |
| 30 P + 30 PK | |
| 0% primjene e-učenja | |
| Odjel za informatiku (Sceduly) |
| Nositelji: Vladimir PleštinaSuradnici: |
| Ciljevi predmeta |
| Usvojiti znanja o osnovnim elementima sustava te algoritama i metoda koje se koriste u aplikacijama računalnog vida.Samostalna sposobnost studenta da prilagodi i primjeni algoritme računalnog vida za konkretan problem. |
| Uvjeti (kompetencije) za upis predmeta |
| Uvjeti za upis: nema ih.Ulazne kompetencije: poznavanje osnova rada na računalu i poznavanje osnova programiranja. |
| Očekivani ishodi učenja |
| Nakon uspješnog savladavanja kolegija, studenti bi trebali biti u mogućnosti: |
| 1. Analizirati i prepoznati zadani problem iz područja računalnog vida |
| 2. Klasificirati algoritme računalnog vida |
| 3. Identificirati tipove slika |
| 4. Napisati algoritam za obradu slike u programskom jeziku Python koristeći OpenCV bibilioteku |
| 5. Identificirati metodu obrade za zadani problem |
| 6. Samostalno primjeniti algoritam na vlastitom problemu |
| Sadržaj predmeta |
| Uvodno predavanje, upoznavanje studenata sa pravilima predmeta, pravilima pohađanja, Uvodno predavanje o računalnom vidu, pregled programa, ciljeva učenja i zadataka studenata. Literatura |
| Vježbe: |
| Uvod u python i bibilioteke koje će se koristiti. Način instaliranja dodataka koji su potrebni za obradu slika |
| Slika, kamere, modeli, kalibracija, opažanje svijetla |
| Vježba 1. Osnovna manipulacija sa slikama |
| Osnovne relacije među pikselima, obrada binarnih slika |
| Vježba 2. Naprednija manipulacija sa slikama |
| Projekcije, kodiranje duljine niza i binarni algoritmi (filter veličine, Eulerov broj, rub regije, površina, opseg, zbijenost, transformacija udaljenosti, središnje osi, stanjivanje, širenje i skupljanje ) |
| Vježba 3. Matematičke operacije na slici |
| Morfološki operatori, osnovne operacije, dilatacija, erozija, zatvaranje, otvaranje, binarna morfologija, |
| Vježba 4. Obrada slika |
| Poboljšanje svojstava sivih slika, eksponencijalne transformacije, modeliranje histograma, linearni filtri (Konvolucija, filter prostornog usrednjavanja, Gaussov filter, Median filter). |
| Vježba 5. Derivacije slike |
| Filtriranje u frekvencijskoj domeni - Fourierova transformacija |
| 1. kolokvij |
| Segmentacija slike |
| Vježba 6. Morfološki operatori – označavanje objekata |
| Segmentacija slike - detekcija rubova, gradijentni operatori, operatori druge derivacije, LoG detektor ruba, Canny detektor rubova |
| Vježba 7. Morfološki operatori – dilatacija, erozija, zatvaranje i otvaranje |
| Teksture i boja u slikama, modeli boja, fiziologija oka |
| Vježba 8. OpenCV |
| 3D prostor, točke u 3D prostoru, transformacija koordinatnog sustava, interna orijentacija i kalibracija |
| Vježba 9. OpenCV – Aritmetičke operacije na slikama |
| Objekti u pokretu - detekcija promjena i segmentacija temeljena na promjenama |
| Vježba 10. OpenCV – Pronalaženje i označavanje objekata |
| Objekti u pokretu - Praćenje pokretnih objekata |
| Vježba 11. OpenCV – Rad s video zapisom |
| Prepoznavanje objekata |
| Vježba 12. OpenCV – Praćenje objekata |
| Projektni zadaci i 2. kolokvij |
| Vrste izvođenja nastave |
| - Predavanja - Seminari - Laboratorij |
| Obveze studenata |
| Prisustvo na predavanjimaPrisustvo na vježbama i izrada vježbi.Aktivno sudjelovanje u nastavnom procesuSamostalna izrada projekta.Ispit. |
| Praćenje rada studenata (ECTS) |
| - Pohađanje nastave (2) - Seminarski rad (1) - Usmeni ispit (2) |
| Ocjenjivanje i vrjednovanje rada studenata |
| Ukupno bodovanje (100%):Ispit ili 2 kolokvija - 80 %, seminar 10% i laboratorijske vježbe 10%:1. Kolokvij 1 : 40 % (ili ispit)2. Kolokvij 2 : 40 % (ili ispit)3. Seminar : 10 % (obavezan)4. Lab vježbe 10 % (obavezno)Ocjena po postocima:50% do 62% - dovoljan (2)63% do 75% - dobar (3)76% do 88% - vrlo dobar (4)89% do 100% - izvrstan (5) |
| Obvezna literatura |
| Obrada slika i računalni vid, interna skripta. |
| Ramesh Jain, Rangachar Kasturi, Brian G.Schunck, Machine Vision, McGraw-Hill, 1995. |
| Prezentacije s predavanja |
| Izborna literatura |
| 1. Linda G. Shapiro, George C. Stockman, Computer Vision, Prentice Hall, 2001. |
| 2. Wesley E.Snyder, Hairong Qi, Machine Vision, Cambridge University Press, 2004. |
| 3. D.A. Forsyth, J. Ponce, Computer Vision A Modern Approach, Prentice Hall, 2003 |
| 4. Foley, Computer Graphics: Principles and Practice (second edition in C), Addison-Wesley Publishing Company, 1996. |
| Načini praćenja kvalitete |
| Razgovor sa studentima,Mišljenja studenata o kvaliteti nastave putem anonimnih anketa.Nastavnici koji podučavaju srodne predmete surađuju i zajednički vode brigu o kvaliteti nastave.Uspješnost studenata na kolegiju,Samoanaliza |
| Izvedba |
|
Sveučilišni prijediplomski studij • Informatika (izborni 6. sem.) Sveučilišni diplomski studij • Fizika i informatika; smjer: nastavnički (izborni 2. i 4. sem.) • Informatika i tehnika; smjer: nastavnički (izborni 2. i 4. sem.) • Informatika; smjer: nastavnički (izborni 2. sem.) • Matematika; smjer: Računarski (izborni 4. sem.) • Matematika i informatika; smjer: nastavnički (izborni 4. sem.) |
| Napomene: Vrste nastave (tip): (P) Predavanja; (S) Seminari; (A) Auditorne vježbe; (PK) Vježbe u praktikumu; (L) Laboratorijske vježbe; (M) Metodičke vježbe; (TJ) Vježbe tjelesnog odgoja; (T) Terenske vježbe. Prije početka nastave moguće su rošade izvođača nastave u svrhu optimizacije opterećenja. Prikazana je testna verzija automatskog generiranja informacija. |